1. 离散时间傅里叶变换的导出
针对离散时间非周期序列,为了建立它的傅里叶变换表示,我们将采用与连续情况下完全类似的步骤进行。
考虑某一序列 x [ n ] x[n] x[n],它具有有限持续期;也就是说,对于某个整数 N 1 N_1 N1 和 N 2 N_2 N2,在 − N 1 ⩽ N ⩽ N 2 -N_1\leqslant N\leqslant N_2 −N1⩽N⩽N2 以外, x [ n ] = 0 x[n]=0 x[n]=0。下图给出了这种类型的一个信号。
由这个非周期信号可以构成一个周期序列 x ~ [ n ] \tilde x[n] x~[n],使 x [ n ] x[n] x[n] 就是 x ~ [ n ] \tilde x[n] x~[n] 的一个周期。随着 N N N 的增大, x [ n ] x[n] x[n] 就在一个更长的时间间隔内与 x ~ [ n ] \tilde x[n] x~[n] 相一致。而当 N → ∞ N\to \infty N→∞,对任意有限时间值 n n n 而言,有 x ~ [ n ] = x [ n ] \tilde x[n]=x[n] x~[n]=x[n]。
现在我们来考虑一下 x ~ [ n ] \tilde x[n] x~[n] 的傅里叶级数表示式
(1) x ~ [ n ] = ∑ k = ( N ) a k e j k ( 2 π / N ) n \tag{1}\tilde x[n] = \sum_{k=(N)}a_ke^{jk{(2\pi/N)}n} x~[n]=k=(N)∑akejk(2π/N)n(1)
(2) a k = 1 N ∑ n = ( N ) x ~ [ n ] e − j k ( 2 π / N ) n \tag{2}a_k = \frac{1}{N} \sum_{n=(N)} \tilde x[n]e^{-jk{(2\pi/N)}n} ak=N1n=(N)∑x~[n]e−jk(2π/N)n(2)
因为在 − N 1 ⩽ N ⩽ N 2 -N_1 \leqslant N \leqslant N_2 −N1⩽N⩽N2 区间的一个周期上 x ~ [ n ] = x [ n ] \tilde x[n]=x[n] x~[n]=x[n],因此我们将上式的求和区间就选在这个周期上
(3) a k = 1 N ∑ n = − N 1 N 2 x [ n ] e − j k ( 2 π / N ) n = 1 N ∑ n = − ∞ + ∞ x [ n ] e − j k ( 2 π / N ) n \tag{3}a_k = \frac{1}{N} \sum_{n=-N_1}^{N_2} x[n]e^{-jk{(2\pi/N)}n} = \frac{1}{N} \sum_{n=-\infty}^{+\infty} x[n]e^{-jk{(2\pi/N)}n} ak=N1n=−N1∑N2x[n]e−jk(2π/N)n=N1n=−∞∑+∞x[n]e−jk(2π/N)n(3)
现定义函数
(4) X ( e j ω ) = ∑ n = − ∞ + ∞ x [ n ] e − j ω n \tag{4}X(e^{j\omega})=\sum_{n=-\infty}^{+\infty}x[n]e^{-j\omega n} X(ejω)=n=−∞∑+∞x[n]e−jωn(4)
可见这些系数 a k a_k ak 正比于 X ( e j ω ) X(e^{j\omega}) X(ejω) 的各样本值,即
(5) a k = 1 N X ( e j k ω 0 ) \tag{5}a_k = \frac{1}{N}X(e^{jk\omega_0}) ak=N1X(ejkω0)(5)
式中, ω 0 = 2 π / N \omega_0=2\pi/N ω0=2π/N 用来记作在频域中的样本间隔。将(1) 和 (5)结合在一起, x ~ [ n ] \tilde x[n] x~[n] 就可以表示为
(6) x ~ [ n ] = ∑ k = ( N ) 1 N X ( e j k ω 0 ) e j k ω 0 n = 1 2 π ∑ k = ( N ) X ( e j k ω 0 ) e j k ω 0 n ω 0 \tag{6}\tilde x[n] = \sum_{k=(N)} \frac{1}{N}X(e^{jk\omega_0})e^{jk\omega_0n} = \frac{1}{2\pi}\sum_{k=(N)} X(e^{jk\omega_0})e^{jk\omega_0n}\omega_0 x~[n]=k=(N)∑N1X(ejkω0)ejkω0n=2π1k=(N)∑X(ejkω0)ejkω0nω0(6)
随着 N → ∞ N\to \infty N→∞, x ~ [ n ] \tilde x[n] x~[n] 趋近于 x [ n ] x[n] x[n],式(6)的极限就变成 x [ n ] x[n] x[n] 的表达式。再者,当 N → ∞ N\to \infty N→∞ 时,有 ω 0 → 0 \omega_0\to 0 ω0→0,式(6)的右边就过渡为一个积分。
右边的每一项都可以看作是高度为 X ( e j k ω 0 ) e j k ω 0 n X(e^{jk\omega_0})e^{jk\omega_0n} X(ejkω0)ejkω0n 宽度为 ω 0 \omega_0 ω0 的矩形的面积。而且,因为这个求和是在 N N N 个 ω 0 = 2 π / N \omega_0=2\pi/N ω0=2π/N 的间隔内完成的,所以总的积分区间总是有一个 2 π 2\pi 2π 的宽度。式(6)和式(4)就分别变成
(7) x [ n ] = 1 2 π ∫ 2 π X ( e j ω ) e j ω n d ω \tag{7}\boxed{ x[n]=\frac{1}{2\pi}\int_{2\pi} X(e^{j\omega})e^{j\omega n}d\omega} x[n]=2π1∫2πX(ejω)ejωndω(7)
(8) X ( e j ω ) = ∑ n = − ∞ + ∞ x [ n ] e − j ω n \tag{8}\boxed{X(e^{j\omega})=\sum_{n=-\infty}^{+\infty}x[n]e^{-j\omega n}} X(ejω)=n=−∞∑+∞x[n]e−jωn(8)
(7)式和 (8)式被称为离散时间傅里叶变换对。函数 X ( j ω ) X(j\omega) X(jω) 称为 X ( t ) X(t) X(t) 的离散时间傅里叶变换,也通常被称为频谱。
-
例 1
-
例 2
2. 周期信号的傅里叶变换
考虑如下信号
(9)
x
[
n
]
=
e
j
ω
0
n
\tag{9} x[n] = e^{j\omega_0 n}
x[n]=ejω0n(9)
其傅里叶变换是如下的冲激串
(10) X ( e j ω ) = ∑ l = − ∞ + ∞ 2 π δ ( ω − ω 0 − 2 π l ) \tag{10}X(e^{j\omega}) = \sum_{l=-\infty}^{+\infty}2\pi\delta(\omega-\omega_0-2\pi l) X(ejω)=l=−∞∑+∞2πδ(ω−ω0−2πl)(10)
为了验证该式,必须求出其对应的反变换
(11) 1 2 π ∫ 2 π X ( e j ω ) e j ω n d ω = 1 2 π ∫ 2 π ∑ l = − ∞ + ∞ 2 π δ ( ω − ω 0 − 2 π l ) e j ω n d ω \tag{11} \frac{1}{2\pi}\int_{2\pi} X(e^{j\omega}) e^{j\omega n}d\omega = \frac{1}{2\pi}\int_{2\pi} \sum_{l=-\infty}^{+\infty}2\pi\delta(\omega-\omega_0-2\pi l) e^{j\omega n}d\omega 2π1∫2πX(ejω)ejωndω=2π1∫2πl=−∞∑+∞2πδ(ω−ω0−2πl)ejωndω(11)
注意,在任意一个长度为 2 π 2\pi 2π 的积分区间内,在上式的和中真正包括的只有一个冲激,因此,如果所选的积分区间包含在 ω 0 + 2 π r \omega_0+2\pi r ω0+2πr 处的冲激,那么
(12) 1 2 π ∫ 2 π X ( e j ω ) e j ω n d ω = e j ( ω 0 + 2 π r ) n = e j ω 0 n \tag{12} \frac{1}{2\pi}\int_{2\pi} X(e^{j\omega}) e^{j\omega n}d\omega = e^{j(\omega_0+2\pi r) n} = e^{j\omega_0 n} 2π1∫2πX(ejω)ejωndω=ej(ω0+2πr)n=ejω0n(12)
现在考虑一周期序列 x [ n ] x[n] x[n],周期为 N N N,其傅里叶级数为
(13) x [ n ] = ∑ k = ( N ) a k e j k ( 2 π / N ) n \tag{13} x[n] = \sum_{k=(N)} a_k e^{jk(2\pi/N)n} x[n]=k=(N)∑akejk(2π/N)n(13)
这时,傅里叶变换就是
(14) X ( e j ω ) = ∑ k = − ∞ + ∞ 2 π a k δ ( ω − 2 π k N ) = ∑ l = − ∞ + ∞ ∑ k = ( N ) 2 π a k δ ( ω − k ω 0 − 2 π l ) \tag{14} X(e^{j\omega}) = \sum_{k=-\infty}^{+\infty} {2\pi} a_k \delta (\omega-\frac{2\pi k}{N}) =\sum_{l=-\infty}^{+\infty} \sum_{k=(N)}{2\pi} a_k \delta (\omega - k\omega_0 - 2\pi l) X(ejω)=k=−∞∑+∞2πakδ(ω−N2πk)=l=−∞∑+∞k=(N)∑2πakδ(ω−kω0−2πl)(14)
这样,一个周期信号的傅里叶变换就能直接从它的傅里叶级数系数得到。
3. 离散时间傅里叶变换性质
为了方便,我们将 x [ n ] x[n] x[n] 和 X ( e j ω ) X(e^{j\omega}) X(ejω) 这一对傅里叶变换用下列符号表示
x [ n ] ↔ F X ( e j ω ) x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) x[n]↔FX(ejω)
3.1. 离散时间傅里叶变换的周期性
(15) X ( e j ( ω + 2 π ) ) = X ( e j ω ) \tag{15} \boxed{ X(e^{j(\omega+2\pi)}) = X(e^{j\omega})} X(ej(ω+2π))=X(ejω)(15)
3.2. 线性
若
x 1 [ n ] ↔ F X 1 ( e j ω ) x_1[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X_1(e^{j\omega}) x1[n]↔FX1(ejω)
和
x 2 [ n ] ↔ F X 2 ( e j ω ) x_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X_2(e^{j\omega}) x2[n]↔FX2(ejω)
则
(16) a x 1 [ n ] + b x 2 [ n ] ↔ F a X 1 ( e j ω ) + b X 2 ( e j ω ) \tag{16} \boxed{ ax_1[n]+bx_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} aX_1(e^{j\omega})+bX_2(e^{j\omega})} ax1[n]+bx2[n]↔FaX1(ejω)+bX2(ejω)(16)
3.3. 时移与频移性质
若
x [ n ] ↔ F X ( e j ω ) x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) x[n]↔FX(ejω)
则
(17) x [ n − n 0 ] ↔ F e − j ω n 0 X ( e j ω ) \tag{17} \boxed{ x[n-n_0] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} e^{-j\omega n_0}X(e^{j\omega})} x[n−n0]↔Fe−jωn0X(ejω)(17)
(18) e j ω 0 n x [ n ] ↔ F X ( e j ( ω − ω 0 ) ) \tag{18} \boxed{ e^{j\omega_0 n}x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j(\omega-\omega_0)})} ejω0nx[n]↔FX(ej(ω−ω0))(18)
3.4. 共轭及共轭对称性
若
x [ n ] ↔ F X ( e j ω ) x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{j\omega}) x[n]↔FX(ejω)
则
(19) x ∗ [ n ] ↔ F X ∗ ( e − j ω ) \tag{19} \boxed{ x^*[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X^*(e^{-j\omega})} x∗[n]↔FX∗(e−jω)(19)
共轭性质就能证明,若 x ( t ) x(t) x(t) 为实函数,那么 X ( j ω ) X(j\omega) X(jω) 就具有共轭对称性,即
(20) X ( e j ω ) = X ∗ ( e − j ω ) [ x [ n ] 为 实 ] \tag{20} \boxed{ X(e^{j\omega}) = X^*(e^{-j\omega}) \qquad [x[n] 为实]} X(ejω)=X∗(e−jω)[x[n]为实](20)
这就是说,离散傅里叶变换的实部是频率的偶函数,而虚部则是频率的奇函数。
3.5. 差分与累加
(21) x [ n ] − x [ n − 1 ] ↔ F ( 1 − e − j ω ) X ( e j ω ) \tag{21} \boxed{ x[n]-x[n-1] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} (1-e^{-j\omega}) X(e^{j\omega})} x[n]−x[n−1]↔F(1−e−jω)X(ejω)(21)
(22) ∑ m = − ∞ n x [ m ] ↔ F 1 1 − e − j ω X ( e j ω ) + π X ( e j 0 ) ∑ k = − ∞ + ∞ δ ( ω − 2 π k ) \tag{22} \boxed{ \sum_{m=-\infty}^{n}x[m] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} \frac{1}{1-e^{-j\omega}} X(e^{j\omega})+\pi X(e^{j0}) \sum_{k=-\infty}^{+\infty}\delta(\omega-2\pi k)} m=−∞∑nx[m]↔F1−e−jω1X(ejω)+πX(ej0)k=−∞∑+∞δ(ω−2πk)(22)
3.6. 时间反转
(23) x [ − n ] ↔ F X ( e − j ω ) \tag{23} \boxed{ x[-n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{-j\omega})} x[−n]↔FX(e−jω)(23)
3.7. 时域扩展
若令 是一个正整数,并且定义
(24) x ( k ) [ n ] = { x [ n / k ] 当 n 为 k 的 整 数 倍 0 , 当 n 不 为 k 的 整 数 倍 \tag{24} x_{(k)}[n] = \begin{cases} x[n/k] &\text 当\space n \space为\space k\space的整数倍 \\ 0, &\text 当\space n \space不为\space k\space的整数倍 \end{cases} x(k)[n]={x[n/k]0,当 n 为 k 的整数倍当 n 不为 k 的整数倍(24)
(25) x ( k ) [ n ] ↔ F X ( e j k ω ) \tag{25} \boxed{ x_{(k)}[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} X(e^{jk\omega})} x(k)[n]↔FX(ejkω)(25)
3.8. 频域微分
(26) n x [ n ] ↔ F j d X ( e j ω ) d ω \tag{26} \boxed{nx[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} j\frac{dX(e^{j\omega})}{d\omega} } nx[n]↔FjdωdX(ejω)(26)
3.9. 帕斯瓦尔定理
(27) ∑ − ∞ + ∞ ∣ x [ n ] ∣ 2 = 1 2 π ∫ 2 π ∣ X ( e j ω ) ∣ 2 d ω \tag{27} \boxed{\sum_{-\infty}^{+\infty}|\space x[n] \space |^2 =\frac{1}{2\pi}\int_{2\pi}|X(e^{j\omega})|^2d\omega } −∞∑+∞∣ x[n] ∣2=2π1∫2π∣X(ejω)∣2dω(27)
3.10. 卷积性质
(28) y [ n ] = h [ n ] ∗ x [ n ] ↔ F Y ( e j ω ) = H ( e j ω ) X ( e j ω ) \tag{28} \boxed{y[n]=h[n]*x[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} Y(e^{j\omega})=H(e^{j\omega})X(e^{j\omega})} y[n]=h[n]∗x[n]↔FY(ejω)=H(ejω)X(ejω)(28)
两个信号在时域内的卷积就等于它们傅里叶变换的乘积。
3.11. 相乘性质
(29)
y
[
n
]
=
x
1
[
n
]
x
2
[
n
]
↔
F
Y
(
e
j
ω
)
=
1
2
π
∫
2
π
X
1
(
e
j
θ
)
X
2
(
e
j
(
ω
−
θ
)
)
d
θ
\tag{29} \boxed{y[n]=x_1[n]x_2[n] \overset{{\displaystyle {\mathcal {F}}}}{\leftrightarrow} Y(e^{j\omega})=\frac{1}{2\pi}\int_{2\pi}X_1(e^{j\theta})X_2(e^{j(\omega-\theta)})d\theta}
y[n]=x1[n]x2[n]↔FY(ejω)=2π1∫2πX1(ejθ)X2(ej(ω−θ))dθ(29)
两个信号在时域内的相乘就对应于频域内的周期卷积。
4. 傅里叶变换性质和基本傅里叶变化列表
5. 离散时间傅里叶变换和连续时间傅里叶级数之间的对偶型
获取更多精彩,请关注「seniusen」!